r - R：识别异常值并在箱线图中标记它们

Question

我有以下虚假数据代表在线问卷中不同用户的回答时间（以秒为单位）：

n <- 1000

dat <- data.frame(user = 1:n, 
                  question = sample(paste("q", 1:10, sep = ""), size = 10, replace = TRUE),
                  time = round(rnorm(n, mean = 10, sd=4), 0)
                  )
dat %>%
  ggplot(aes(x = question, y = time)) + 
  geom_boxplot(fill = 'orange') +
  ggtitle("Answering time per question")

然后，我将每个问题的回答时间绘制为箱线图。但是我如何首先计算一个带有二进制变量的列，显示一个案例是否是异常值[定义为中位数（时间）+/- 3 * mad（时间）]在每个问题中？

标签： rdplyrtidyverse

Answer 1

library(dplyr)
dat %>%
  group_by(question) %>%
  mutate(outlier = abs(time - median(time)) > 3*mad(time) ) %>%
  ungroup() %>%
  
  ggplot(aes(x = question, y = time)) + 
  geom_boxplot(fill = 'orange') +
  
  geom_point(data = . %>% filter(outlier), color = "red") +
  ggtitle("Answering time per question")

通过在每个问题中进行第一次分组，计算适用于与该问题相比的中位数和疯狂的每一行。